import os
import json
import pandas as pd
import torch
import gradio as gr
from huggingface_hub import login, Repository, hf_hub_download
from sentence_transformers import SentenceTransformer, util
# -------------------------------
# Global Git-konfiguration
# -------------------------------
os.system('git config --global user.email "niklas.berg@chargenode.eu"')
os.system('git config --global user.name "Niklas Berg"')
# -------------------------------
# Miljövariabler & Inloggning
# -------------------------------
HF_TOKEN = os.getenv("HUGGINGFACE_TOKEN")
APP_USERNAME = os.getenv("APP_USERNAME")
APP_PASSWORD = os.getenv("APP_PASSWORD")
if not HF_TOKEN:
raise ValueError("HUGGINGFACE_TOKEN miljövariabel saknas!")
if not APP_USERNAME or not APP_PASSWORD:
raise ValueError("APP_USERNAME eller APP_PASSWORD miljövariabel saknas!")
login(token=HF_TOKEN)
# -------------------------------
# Repo & FAQ-konfiguration
# -------------------------------
REPO_ID = "ChargeNodeEurope/Chatbot_4o_mini" # Exempel
REPO_LOCAL_PATH = "chatbot_faq_repo"
FAQ_XLSX_PATH = "FAQ stadat.xlsx"
repo = Repository(
local_dir=REPO_LOCAL_PATH,
clone_from=REPO_ID,
repo_type="space", # Viktigt om det är en Space
use_auth_token=HF_TOKEN
)
faq_path = os.path.join(REPO_LOCAL_PATH, FAQ_XLSX_PATH)
try:
df = pd.read_excel(faq_path)
df.dropna(subset=["Fråga", "Svar"], inplace=True)
except Exception as e:
raise FileNotFoundError(f"Kunde inte ladda FAQ-filen: {str(e)}")
# -------------------------------
# Modell & embeddings
# -------------------------------
model = SentenceTransformer("sentence-transformers/all-MiniLM-L6-v2")
faq_questions = df["Fråga"].tolist()
faq_embeddings = model.encode(faq_questions, convert_to_tensor=True)
# -------------------------------
# Hjälpfunktioner
# -------------------------------
def uppdatera_embeddings():
"""
Uppdatera embeddings efter att FAQ-DataFrame har ändrats.
"""
global faq_questions, faq_embeddings, df
faq_questions = df["Fråga"].tolist()
faq_embeddings = model.encode(faq_questions, convert_to_tensor=True)
def sök_faq(fråga):
"""
Gör en enkel semantisk sökning i FAQ och returnerar topp 3 resultat.
"""
fråga = fråga.strip()
if not fråga:
return pd.DataFrame(columns=["Liknande fråga", "Svar", "Kategori", "Confidence"])
# Skapa embedding för query
query_emb = model.encode(fråga, convert_to_tensor=True)
cos_scores = util.cos_sim(query_emb, faq_embeddings)[0]
top_results = torch.topk(cos_scores, k=3)
indices = top_results.indices.tolist()
scores = top_results.values.tolist()
data = []
for idx, score in zip(indices, scores):
row = df.iloc[idx]
data.append({
"Liknande fråga": row["Fråga"],
"Svar": row["Svar"],
"Kategori": row["Kategori"],
"Confidence": round(float(score), 3)
})
return pd.DataFrame(data)
def lägg_till_faq(fråga, svar, kategori):
"""
Lägger till en ny FAQ-post, sparar lokalt och pushar till Hugging Face.
"""
global df
fråga = fråga.strip()
svar = svar.strip()
kategori = kategori.strip()
if not fråga or not svar or not kategori:
return "Fråga, svar och kategori får inte vara tomma!"
try:
ny_rad = pd.DataFrame([[fråga, svar, kategori]], columns=["Fråga", "Svar", "Kategori"])
df = pd.concat([df, ny_rad], ignore_index=True)
df.to_excel(faq_path, index=False)
uppdatera_embeddings()
repo.git_add()
repo.git_commit(f"Lade till FAQ: {fråga[:50]}...")
repo.git_push()
return "Fråga tillagd och synkad med Hugging Face!"
except Exception as e:
return f"Fel vid uppdatering: {str(e)}"
def visa_senaste_faq(antal=10):
"""Returnerar de 10 senaste FAQ-posterna."""
return df.tail(antal)
def uppdatera_faq(gammal_fråga, nytt_svar, ny_kategori):
global df
gammal_fråga = gammal_fråga.strip()
nytt_svar = nytt_svar.strip()
ny_kategori = ny_kategori.strip()
if not gammal_fråga:
return "Ingen fråga vald."
match_index = df.index[df["Fråga"] == gammal_fråga]
if len(match_index) == 0:
return "Ingen matchande FAQ-fråga hittad."
if nytt_svar:
df.loc[match_index, "Svar"] = nytt_svar
if ny_kategori:
df.loc[match_index, "Kategori"] = ny_kategori
try:
df.to_excel(faq_path, index=False)
uppdatera_embeddings()
repo.git_add()
repo.git_commit(f"Uppdaterade FAQ: {gammal_fråga[:50]}...")
repo.git_push()
return "FAQ uppdaterad!"
except Exception as e:
return f"Fel vid uppdatering: {str(e)}"
def ta_bort_faq(fråga_att_radera):
global df
fråga_att_radera = fråga_att_radera.strip()
if not fråga_att_radera:
return "Ingen fråga vald."
match_index = df.index[df["Fråga"] == fråga_att_radera]
if len(match_index) == 0:
return "Ingen matchande FAQ-fråga hittad."
df.drop(match_index, inplace=True)
try:
df.to_excel(faq_path, index=False)
uppdatera_embeddings()
repo.git_add()
repo.git_commit(f"Raderade FAQ: {fråga_att_radera[:50]}...")
repo.git_push()
return f"FAQ borttagen: {fråga_att_radera}"
except Exception as e:
return f"Fel vid borttagning: {str(e)}"
def visa_logfil():
"""
Hämtar loggfilen från Hugging Face Hub och returnerar en DataFrame med de senaste 10 posterna:
Datum, UserID, Fråga (user_message) och Svar (bot_reply).
"""
try:
# Ange repo- och filsökväg enligt Hugging Face Hub
repo_id = "ChargeNodeEurope/logfiles"
filename = "logs_v2/conversation_log_v2.txt"
local_log_path = hf_hub_download(repo_id=repo_id, filename=filename, repo_type="dataset")
logs = []
with open(local_log_path, "r", encoding="utf-8") as f:
for line in f:
line = line.strip()
if line:
log_entry = json.loads(line)
logs.append(log_entry)
# Sortera loggarna med nyaste först baserat på timestamp
logs_sorted = sorted(logs, key=lambda x: x["timestamp"], reverse=True)
latest10 = logs_sorted[:10]
df_logs = pd.DataFrame(latest10)
if not df_logs.empty:
df_logs = df_logs[["timestamp", "user_id", "user_message", "bot_reply"]]
df_logs.columns = ["Datum", "UserID", "Fråga", "Svar"]
return df_logs
except Exception as e:
return pd.DataFrame({"Fel": [f"Fel vid inläsning av loggfil: {e}"]})
def logga_in(user, pwd):
"""
Verifierar inloggningsuppgifter mot APP_USERNAME och APP_PASSWORD.
"""
if user == APP_USERNAME and pwd == APP_PASSWORD:
return "Inloggning lyckades!"
else:
return "Felaktiga inloggningsuppgifter!"
# -------------------------------
# Gradio - Användargränssnitt med anpassad look & feel
# -------------------------------
# Anpassad CSS – Ändrat "max-width" till 1800px för att sidan ska vara dubbelt så bred.
custom_css = """
body {background-color: #f7f7f7; font-family: Arial, sans-serif;}
h1, h2, h3 {font-family: Helvetica, sans-serif; color: #2a9d8f; text-align: center;}
.gradio-container {max-width: 1800px; margin: auto; padding: 20px;}
.gr-button {background-color: #264653; color: #fff;}
"""
with gr.Blocks(css=custom_css, title="Enkel FAQ Admin") as demo:
gr.Markdown("Enkel FAQ Admin
")
gr.Markdown("Administrera FAQ-poster: sök, lägg till, uppdatera, ta bort och visa loggfil.
")
with gr.Tabs():
# Flik: Inloggning
with gr.TabItem("Inloggning"):
with gr.Row():
username_input = gr.Textbox(label="Användarnamn", placeholder="Ange användarnamn")
with gr.Row():
password_input = gr.Textbox(label="Lösenord", placeholder="Ange lösenord", type="password")
login_button = gr.Button("Logga in")
login_status = gr.Textbox(label="Inloggningsstatus")
login_button.click(fn=logga_in, inputs=[username_input, password_input], outputs=login_status)
# Flik: Sök i FAQ
with gr.TabItem("Sök i FAQ"):
with gr.Row():
inp_question = gr.Textbox(label="Din fråga", placeholder="Ex: Hur startar jag en laddning?")
btn_search = gr.Button("Sök")
out_search = gr.Dataframe(label="Topp 3 resultat")
btn_search.click(fn=sök_faq, inputs=inp_question, outputs=out_search)
# Flik: Lägg till FAQ
with gr.TabItem("Lägg till FAQ"):
with gr.Row():
add_question = gr.Textbox(label="Ny fråga")
with gr.Row():
add_answer = gr.Textbox(label="Nytt svar")
with gr.Row():
add_cat = gr.Textbox(label="Ny kategori")
btn_add = gr.Button("Lägg till")
out_add = gr.Textbox(label="Status")
btn_add.click(fn=lägg_till_faq, inputs=[add_question, add_answer, add_cat], outputs=out_add)
# Flik: Redigera / Ta bort FAQ
with gr.TabItem("Redigera / Ta bort FAQ"):
with gr.Row():
existing_quests = gr.Dropdown(choices=df["Fråga"].tolist(), label="Befintliga frågor")
with gr.Row():
new_answer = gr.Textbox(label="Nytt svar (valfritt)")
with gr.Row():
new_cat = gr.Textbox(label="Ny kategori (valfritt)")
btn_update = gr.Button("Uppdatera")
out_update = gr.Textbox(label="Status")
btn_update.click(fn=uppdatera_faq, inputs=[existing_quests, new_answer, new_cat], outputs=out_update)
gr.Markdown("#### Eller ta bort en FAQ-post:")
btn_delete = gr.Button("Ta bort")
out_delete = gr.Textbox(label="Status")
btn_delete.click(fn=ta_bort_faq, inputs=existing_quests, outputs=out_delete)
# Flik: Loggfil
with gr.TabItem("Loggfil"):
btn_show_log = gr.Button("Visa senaste 10 poster")
out_log = gr.Dataframe(label="Loggfil")
btn_show_log.click(fn=visa_logfil, inputs=[], outputs=out_log)
if __name__ == "__main__":
demo.launch()